2023年汇洲智能研究报告：卡位大模型的数据预训练新秀

1 机床龙头，发力数据预训练再塑成长动能

汇洲智能是我国传统机床龙头。公司机床业务起家，旗下控股子公司齐重系机床 等高端装备制造业务的经营主体，历经 73 年发展，成为我国传统机床龙头企业。 为迎接 AI 浪潮，发力 AI 大模型数据预训练业务，重塑新的成长动能。公司为 迎接 AI 发展浪潮，通过收购积极布局 AI 大模型数据预训练业务。2019 年收购 长华文化，取得热热文化控制权，作为 AI 数据与训练业务的经营主体，同时将 控股子公司中科汇洲数商作为 AI 数据预训练业务的技术研发主体。

1.1 夯实重工基础，机床为发展压舱石

公司机床业务产品矩阵完善。公司始建于 1950 年，是国家一五时期重点建设项 目之一，高端制造底蕴丰厚。历经 73 年积累，已成为我国重要的数控机床生产 基地。截至目前已形成 38 万平方米的机床生产基地，包含 10 大类，26 系列， 600 多品种的机床产品矩阵。 公司多项技术弥补海内外空白。截至目前，公司 400 多项具备自主产权的产品填 补国内空白；立式车床加工直径最小可达 0.5 米，最大可到填补国际空白的 25 米；卧式车床加工直径最小可达 1 米，最高到填补国际空白的 6.3 米。广泛用于 船舶、汽车、风电等下游行业。

“齐一”品牌优势显著。“齐一”数控机床是中国知名机床品牌，部分高端机床产 品已成功出口欧美、日韩等 30 多个国家和地区，截至 2023H1 重型车床市场占 有率 40%到 50%，重型深孔钻镗床市场占有率 100%。

持续扩大研发支出，搭建“4+3+N”的创新体系巩固研发优势。历经 73 年发展， 公司机床产品研发经验丰富。近年来，公司发力构建“4+3+N”的创新体系：搭 建 4 个科技创新平台，培育 3 个科技创新团队，引进 N 家科研院所及企业，高平 台化研发能力，巩固研发优势。截至 2023H1，公司是我国重型卧式车床、重型 深孔钻镗床、重型立式车床的国家检验标准制定单位,主持和参与制修定标准累 计 77 项，专利授权 302 项。

公司技术团队经验丰富，持续扩大研发支出。截至 2022 年底，公司研发人员数 量 187 人，同比 2021 年提升 15%，其中 40 岁以上占比 57%，多数研发人员拥有 多年研发经验。公司持续扩大研发支出，2022 年研发支出 64.84 百万元，同比增 长 56.05%，研发支出占比营收 9.23%，同比提升 4.27pct。

2020 年起，公司紧跟下游需求变动双向发力，实现机床产品的全面升级。 公司纵向紧跟需求变动，向下游热门行业拓展。为承接下游风电行业的需求释放， 公司快速针对风电主轴、法兰、回转支承研发了数控专用卧车、定梁立车、硬车 和滚齿机等一系列产品，2022 年风电行业产品新增合同额占比高达 60%以上。

公司横向紧跟行业技术趋势，向高端品升级。2022 年公司发力研发适用于下游 航空航天、船舶、能源行业的高精度机床，完成全新高端产品设计 26 台，技术 准备 147 项，电气设计 190 项，工艺设计 221 项。 截至 2022 年底，公司仍存在 8 项高端产品在研项目。其中超声微锻造辅助激光 增材制造项目，有望弥补国内技术空白；基于 5G 通讯的智能机床在研项目，有 望助力公司产品的智能化转型升级；数控重型卧式镗床针对风电主轴内孔，国内 领先，下游应用前景广泛。

1.2 发力 AI 数据预训练，重塑成长动能

公司受益于大模型赛道的长坡厚雪，依靠三大核心壁垒：丰富的技术和产品矩 阵、高粘性的优质客户、经验丰富的核心技术团队，快速成为 AI 数据服务商新 秀。 公司布局数据预训练业务，重塑新的发展动能。公司于 2019 年收购徐州长华 100%股权，取得了对热热文化的控制权，构建 AI 数据预训练业务经营主体，同 步设立控股子公司人民中科数商为 AI 数据预训练研发主体，提前研发布局，承 接下游数据标注需求的释放。

公司数据业务矩阵分为互联网内容审核和 AI 数据标注两大板块，数据标注产品 和技术已进入行业前列水平。公司已形成行业领先的数据标注技术矩阵和数据集产品矩阵，截至当前，已实现针对文本、图片、语音、视频等数据类型的标注， 其中计算机视觉相关的视频追踪、打点、连续帧技术；2D 图像语义分割；3D 点 云融合、连续帧等数据标注技术，适用于下游自动驾驶、人形机器人等热门终端 场景；沉淀的可复卖的标品数据集涵盖文本、图片、音频、视频；并可针对自动 驾驶、城市规划、医学影像诊断等场景制定解决方案。

内容审核业务在人员规模、内容覆盖和准确率多维度领先同业。热热文化 2016 年成立，发展至今已在北京、成都、绥化、枣庄、金华设立五个规模型审核、标 注基地，审核团队规模超 5 千人，累计培养审核人才超 5 万人，累计审核数据 20 亿条；在网络内容的安全审核业务事故率和遗漏率均较低。

公司核心团队自带 AI 数据预训练产业经验，背景丰富奠定研发优势。数据 预训练研发主体中科汇洲数商人民网+中科院北京紫东科技中心等多方牵头创办 研发平台，自带 AI 数据技术背景和产业经验。业务主体热热文化总经理李刚是 前阿里云互联网事业部技术负责人，公司监事、技术团队负责人李兵是中科院自 动化所博导，人民中科首席科学家，曾成功开发跨模态预训练智能搜索引擎“白 泽”模型。 公司已形成多层次、高粘性的客户矩阵。公司内容审核业务起家，与人民网渊源 深厚，起点高叠加深耕基础数据服务数年，公司依靠高质量服务已成功建立多层 次高粘性的客户矩阵，遍布下游互联网、人工智能科技企业、航天、重工、金融、 政务、高校等行业。

2 场景驱动，AI 预训练数据有望增长

2.1 预训练数据是 AI 产业链的基石

数据是 AI 产业链上游的基石。ChatGPT 大模型引领本轮生成式 AI 浪潮，纵观 当前的 AI 产业链，上游数据来源于终端场景的采集，是算法感知世界的起点； 中游模型开发是数据应用的工具；下游场景端拉动模型算法迭代；监管是贯穿上 下游全环节的刚需。

根据 AI 分析公司 Congnilytica 研究显示，AI 项目中数据处理过程占据 80%的时 间，其中数据标注占比 25%，针对复杂场景数据的有效预处理，可缩短数据识别、 整合、增强、清洗、标注全环节的时间周期，为模型开发节约成本。

纵观 AI 数据链，AI 数据预训练环节是承上启下的关键抓手。 预训练数据服务承接上游数据来源：非结构数据只有经过预训练处理才能激活其 价值。AI 预训练数据服务将场景端语音、图像、文本、视频、点云等非结构化 数据进行采集、清洗、标注、质检，形成 AI 模型可直接利用的有效预训练数据 集。

预训练数据助力下游算法设计、训练、评测、迭代全生命周期降本增效。 （1）算法设计环节，利用小批量预训练数据对算法初步的设计进行验证，减少 模型设计的方向性偏差。（2）算法训练环节，有效简化模型参数规模，节约算法 开发时间。（3）算法测评环节，少量人工标注的预训练数据可作为模型输出结果 的对照组，有效评定模型的准确性。（4）算法迭代环节，针对 bug 对预训练数据 进行精确标注处理，进而对模型精准修复，有效提升模型性能。

2.2 多模态趋势显著，提升数据预训练的重要性

多模态预训练数据是解决 AI 应用长尾问题的关键，大模型与垂直领域的产业结 合趋势带来的多模态技术迁移，将进一步提升预训练数据环节的重要性。 海内外模型多模态趋势显著，输入数据从海量语言信息、文本信息，发展为多类 垂直领域的多模态数据。叠加模型底层是模型通过对指令的理解，建立起不同模 态数据，如：文本、语音、视频、图像等数据的关键特征，并建立多维映射。因此，模型训练和优化过程需要海量的多模态数据。数据预训练通过对非结构化多 模态数据进行跨模态特征的提取、对齐和融合，解决产业结合下多模态数据难以 有效识别和语义信息深度利用的痛点。

模型趋向特定方向上的优化迭代，竞争焦点从参数规模转移到与数据质量。 伴随大模型与垂直领域的产业结合更多模型或将采用类强化学习模式来进行特定 领域或特定方向上的优化迭代，因此，在模型预训练环节、微调环节，高质量的 标注过的指令数据是模型精确度、泛化能力的基础。 竞争焦点从参数规模的竞争到数据质量的竞争。如大模型诞生初期，主流观点是 参数规模是模型效果增强的核心要素，模型参数越大，性能表现越好，当前这一 观点正逐渐被打破。如 Llama-13B 参数规模为 GPT-3 的 1/13，依靠模型训练数 据规模，最终常识推理、闭卷问答、阅读理解等方面表现略优于 GPT-3。

2.3 场景落地，驱动数据预训练需求释放

模型演变趋向算法功能至上，数据成为场景落地重要的推动力量，全球范围内 AI 预训练数据需求快速增长。ChatGPT 诞生初期，模型预训练数据为截止到 2019 年 5 月的历史存量数据，本来伴随模型在垂直领域的结合，海量终端全新 数据的标注需求有望释放。根据 Cognilytica 预测，2022E 全球 AI 训练数据市场 规模为 393 亿元，2027E 年有望达到 1574 亿元，2022E-2027E 全球市场五年复合 增速 31.98%。

智能驾驶是数据预训练未来五年弹性最大的应用场景，2022E-2027E 五年复合增 速为 37%。根据德勤测算，2022E 年中国基础数据服务行业市场规模为 45 亿元， 预计 2027E 年最高有望达到 160 亿元，2022E-2027E 五年复合增速为 29%。从终 端场景出发，当前自动驾驶、智慧工业、互联网内容等终端场景占比数据服务行 业较大市场份额。 车型迭代进展、量产进度、渗透率三个因素将有望催化数据处理需求呈现指数 级增长。（1）车型迭代过程中，不同传感器配置需要基础数据服务商定制不同的 数据解决方案。（2）量产进度带来终端场景数据加工规模的指数级增加。（3）渗 透率的提高加深了场景数据的复杂性，针对复杂场景多模态数据的加工精度对数 据标注提出更高的要求。

数据推动应用端和模型迭代的共振，未来有望反向赋能场景落地。数据预训练 是整个大模型训练的知识灌输阶段，数据标注服务商为大模型提供大量标签数据, 保证模型真正学习产业核心数据知识，进一步加深产业适配。高质量预训练数据 集是大模型自反馈强化学习机制的前提，加速大模型迭代齿轮运转，长期实现场 景落地和模型迭代的共振。

3 布局自动驾驶，快速铸就行业壁垒

3.1 发力智能标注，助力降本增效

智能工具辅助标注，助力数据预训练业务降本增效。 公司通过智能预标注、人机交互辅助标注、智能质检等，实现降低人员成本，同 时也能够快速地提升 AI 模型能力。当前人工智能标注众包平台、人工智能巡检审核平台均进入运营阶段。 (1)人机交互辅助标注：公司上线 Enable AI 智能化标注平台，人机交互模式，提 升复杂终端场景数据标注的效率和准确度。如人工点击，AI 高精度识别整车的 轮廓；针对 3D 点云数据，自动对连续帧数据的后续帧进行智能标注和预测。 (2)智能预标注：针对较简单场景的数据，首先利用人工标注的小样本数据训练 辅助预标注模型，其次模型预标注剩余样本数据，最后人工质检。 (3)智能质检：通过 AI 智能质检模型的巡检，一方面发现人工标注失误，如说漏 标或错标，提高数据标注质量。另一方面定位样本数据中较难样本，针对性提高 质检人员的专业程度，进而提升质检效率。

智能标注助力数据预训练和模型开发互相赋能，海内外龙头纷纷切入，降本增 效效果显著。智能辅助标注一方面助力数据预训练服务商提升标注效率，降低标 注成本；另一方面赋能模型开发商提升模型性能，提高模型研发效率，实现闭环。 当前行业自动标注趋势显著，海内外龙头纷纷切入，降本增效效果显著。如海天 瑞声上线一体化智能数据处理平台，并接入开源大模型；澳鹏自研智能辅助标注 平台，通过数据预标注可提升效率 91.5%。

3.2 切入自动驾驶，享受更多行业增量

平台化统筹、智能化、技术先进性是自动驾驶场景数据预训练的的准入壁垒， 公司始终紧跟 AI 大模型应用场景的转变，依靠技术、产品、研发优势，抢先布局自动驾驶赛道，将会更好掌握智能驾驶数据市场的主动权，切分更多行业增 量空间。 （1）平台化统筹能力：公司针对自动驾驶场景，已成功积累项目统筹管理经验 和数据预训练处理经验。当前完善的人员管理架构助力大型项目人员的高效分配； 针对数据多样性和复杂性，设置合适的置信区间、算法引擎投票机制、置信区间 等，提高数据预训练的质量和效率。 （2）智能化水平：将激光雷达和深度摄像头等终端传感器获取的点云数据进行 标注，可助力自动驾驶舱外算法和服务机器人实现预判，如精准的环境感知、高 效的路径规划、可靠的障碍物检测，最终助力算法的行为决策。截止当前，公司 智能辅助标注工具已实现点云连续帧、点云融合标注，为自动驾驶场景构建更加 全面的三维环境模型。

（3）技术先进性：终端场景的变动，驱动数据预训练企业对终端软件层算法趋势和硬件层数据采集 趋势形成自身洞察，前瞻性研发布局，不断迭代标注技术，持续保持技术先进性。 截至目前，公司已具备自动驾驶方案解决能力，具备舱内语音、舱外图像、视频 等多类型数据的标注能力。如表 5 所示，Enable AI 智能标注平台支持传感器 3D 点云数据的连续帧标注、不同数据的点云融合。

智能驾驶场景有望领先释放预训练数据需求，需求释放进度随算法迭代和落地 车型量产的时间呈现周期性收敛。 考虑数据处理位于算法开发产业链上游，数据需求前置于终端场景，智能驾驶场 景有望领先释放预训练数据服务行业。根据德勤测算，2027E 年智能驾驶带来的 AI 预训练数据服务需求有望达到 83 亿元，2022E-2027E 五年复合增速为 37%， 占据市场份额 52%。 2022 年自动驾驶处于研发并推进 L2+级别的自动驾驶落地，2025 年有望实现 L3 级别自动驾驶的商业应用，2030 年有望实现 L4 级别自动驾驶的逐步落地。因此， 目前将继续受益于 L2+向 L3 技术迭代带来的数据需求放量，2025 年之后基础数 据需求将开始相对收敛。2027 年开始 L3+向 L4 升级迭代，算法迭代提升应用场 景的复杂性，AI 预训练数据处理需求指数级上升，2027 年需求或将开始新一轮 逐步释放。

编辑：火腿肠